基于数据驱动的船舶柴油机智能故障诊断研究

张 靖

(广东生态工程职业学院,广东 广州 510000)

0 引言

传统的船舶柴油机故障多依赖维修人员的经验与专业知识，还要结合维修记录和故障现象来进行分析，故障诊断存在滞后性，准确性也无法得到保证。人工智能和机器学习为船舶柴油机故障诊断提供了新的思路，对即将发生的故障进行准确了解，可以保障船舶正常航行。

1 船舶柴油机故障数据获取与诊断

1.1 故障数据获取方式

当前，船舶柴油机故障类型及数量比较少，采集到故障数据的成本比较高，采用算法来创建模型存在着较大的难度。可采用AVL BOOST软件来对进行故障仿真获取到数据信息，主要对内燃机稳态及瞬态性能进行仿真，仿真柴油机为4冲程8缸，缸径为510mm，额定转速为514r/min，活塞行程600mm，输出功率为8MW，设置为燃油模式，设置好热力系统外部边界、进排气管、涡轮增压、空冷器、气缸、连接管路，并确定出工介流动方向。在做实验以前，将仿真模型与船舶在额定工况下的性能参数进行对比，实测值与仿真值误差为±4%，表明仿真模型与柴油机实际工况基本相符，可用于故障设置与仿真实验。

1.2 故障分析与设置

通过修改仿真模型参数来对船舶柴油机热工故障进行模拟，并得到足够数量的故障数据样本，对多源信号数据过进行分析与处理，可以实现对故障的高效诊断。故障为柴油机内元件进行模拟，对多种故障表现形式及原因进行分析，按照故障机理来对参数进行修改，主要故障为：

1)单缸供油量降低

如果柴油机单缸供油量减小，燃烧消耗量则会变多，排气温度、爆发压力和有效功率等都会减小，燃油经济性变差。柴油机运行时，喷油器和喷油泵温度可高达90℃，燃油粘度在高温条件下会变差，柱塞等元件内漏会变多，缸内喷油量会减少。供油量变小故障，需要使单缸循环油量减小，额定工况下的柴油机供油量为12.27g，可将仿真中某气缸供油量调整区间为5～20%，其它气缸供油量不变。

2)增压器效率低

如果柴油机增压器效率不高，进气压力、有效功率等也会相应减小，后燃的问题变得严重，压气机出口温度、油耗等也会变大。在对增压器低效条件下故障进行模拟时，需要适当调低压气机效率，将额定运行工况下压气机效率下调至80%，可将数值调整区间为5～20%，。

3)空冷器效率低

柴油机空冷器效率不高会使进气温度变高、换气质量下降，缸内燃烧温度及油耗也会相应提升，热负荷、排气温度等也会增加。空气中存在灰尘及油雾，滤网具备的过滤能力比较有限，会导致空冷器壁面存在结垢现象，无法对空气进行有效地冷却。将柴油机仿真模型空冷器效率调低至87.68%，可将数值调整区间为5～20%，用于模拟不同程度条件下空冷器效率低下。

4)喷油定时滞后

柴油机喷油滞后会使气缸气体温度与压力均存在不同程度的降低，后燃现象较为严重，有效功率会存一定程度的下降，油耗和排气温度均会提升，燃油经济性降低。喷油分泵喷油时间由调整滚轮螺钉来进行设置，喷油时间是通过调节柱塞下端与滚轮间隙来实现。燃烧放热为AVL MCC模型，可用于稳太及瞬态工况的仿真，在对喷油定时故障进行仿真时，应该合理调整喷油角度，将模型在额定工况下喷油定时角度调整为-3.5deg，将此数值在5～20%区间内进行修正。

5)排气阀气阀间隙大

如果柴油机排气阀间隙太大，会导致开启时间会变短，废敢无法顺利排出，换气质量无法得到保障，燃油也无法得到充分燃烧，有效功率也会相应降低，而排气温度和油耗会增大，燃油经济性也会降低。阀座与阀盘受到缸内燃油燃烧爆发压力和落座带来的冲击，会存在弹性变形问题，密封锥面存在一定程度的磨损，会使排气阀气阀间隙变大。对仿真模型中排气阀气阀间隙大小进行调整，来对气阀间隙过大情况进行模拟，在额定工况下，排气阀间隙值为0.4mm，将间隙值增大为原来的5～20%。

6)活塞环磨损

柴油机活塞磨损会使缸内燃烧温度、压力等变低，油耗和排气温度也会增加，严重情况下会使曲轴箱量油孔存在溢油现象。柴油机长时间运行，缸套与活塞环间会出现严重磨损现象，使窜气间隙变大，缸内高温高压气体会沿着活塞环间隙流动至曲轴箱。当存在拉缸问题时，缸套与活塞环的磨损会愈加严重，窜气现象也会加剧。在对柴油机活塞环磨损故障进行模拟时，需要将窜气间隙值由0mm逐步增大至0.125mm。

1.3 样本数据的获取

在柴油机额定工况条件下，按照6种故障设置方法来对参数进行设定，气体温度、压力和流速等参数会对柴油机正常运转产生非常大的影响。于仿真模型中增压器、空冷器、涡轮的出口部位设置测点，在进、排气歧管、排气总管部位出设置测点，通过采集可以反映出柴油机不同部位运行状况。进行仿真实验可以得到单缸供油量降低等多种故障条件下的样本数据。

2 深度信念网络算法原理

2.1 算法原理

深度信念网络是一种深层网络，逐层训练学习的方式将学习划分为预训练、微调两个不同阶段，具体见图1所示。

预训练为逐层无监督方式，各层均参数初始化，并对样本数据信息进行提取；微调阶段对初始化以后的参数以BP算法来进行细微调整。

2.2 限制性玻尔兹曼机

信念网络通过对各层RBM神经元权值进行调整，形成最大概率训成数据，再以此为基础进行特征提取、目标识别，具体结构见图2所示。

可见层与隐藏层组建起RBM双层网络结构，可见层接收数据，隐含层提取特征，两层的神经元相互连接，每层神经元为独立状态。v为可见层单元输入节点，h为隐含层节点，w可见层至隐含层权值矩阵，建立起RBM模型需要参数w、a和b，参数θ={wij，ai，bj}(i=1,2，…，n，j=1,2，…，m)。v和h值被给定时，限制性玻尔兹曼RBM能量函数为：

(1)

上式中ai、bj分别为可见单元和隐含单元偏置，wij为权值，该函数为当前可见层和隐含层节点分布条件下，两层间的能量值。两层中任意节点有0、1两种状态，则节点组状诚共有t=2n+m种。进行指数化及正则化处理以后，两层节点集合{v,h}各自为某种状态下联合概率分布：

(2)

上式中Z为归一化因子，用于表达可见层、隐含层节点状态对数量总和，该值多有用吉布斯采样法来莉得近似解。

2.3 参数求解

RBM模型建立要先确定出可见层与隐含层节点数量，再求解出模型参数θ。可见层神经元数目为样本特征数，隐含层神经元数目根据使用要求来确定。训练样本为x={x1,x2,…,xn}，可见层向量为v=x。对RBM模型进行训练可用于模型参数θ的调整与修改，模型反映的可见层节点概率分布与输入数据相符，求解最优问题采用似然函数进行求导师，似然函数则为边缘概率分布函数P(v)，能量E与概率P为反比例关系，求解出最大P(v)就可以获取到最小的能量E，最大似然函数为梯度上升法。

2.4 激活函数与代价函数

神经网络学习训练需要借助激活函数，使模型去处理复杂的非线性关系，可在输入加权求和处理以后，提升网络模型非线性。常用的激活函数有Linear、Tanh和 Sigmoid 等。代价函数用于对模型预测值与真实性间的误差进行计算，模型学习的整个过程可看作代价函数优化过程，梯度下降计算采用的代价函数为参数的偏导。

3 船舶柴油机复合故障的诊断研究

3.1 相关性分析原理

相关性分析为样本预处理的重要工具，对多个变量的变动状态一致性进行调整，用于对样本特征进行降维，使模型具有更好的泛化能力，网络结构变得更为简洁。对多变量间相关度进行评估时，多采用相关系数来表示，相关系数小于0则两变量为负相关，大于0则为正相关。相关系数绝对值大则表明样本特征和状态类别相关度变高。Pearson相关系数有着很高的实用性和计算准确度，计算公式为：

(3)

3.2 故障诊断流程

将船舶柴油机故障仿真作为前提，对复合故障情况进行模拟并进行诊断，由在线学习和在线诊断两部分构成，离线学习阶段需要开展数据信息标准化处理，特征约简处理和模型训练，在线识别阶段对采用的柴油机数据信息进行预处理并进行故障诊断，具体流程见图3所示。

实施步骤如下：对故障样本数据信息进行预处理，归一化处理及对故障类型进行编码；进行相关性分析再筛选，减小训练样本维度；进行预训练，把样本导入模型，由下至上对每个RBM层进行训练，进行计算后得到每层初始化参数；对模型进行细微调整，进行预训练后获取到初始化参数，采用BP算法来反方面调整，可以获取到最终的模型；对故障进行在线识别，把监测到的实时运行数据信息采用同样预处理和约简方式进行处理，导入到模型来进行故障识别。

3.3 样本数据预处理

故障仿真实验后可以得到6种故障状态下样本数据信息，确定出数据集规模，再随着划分出不同的数据集，可以得到训练样本集、测试样本集。训练样本集应用于模型学习整个过程，测试样本集对模型泛化性进行检验，在进行模型训练以前采用线性函数归一化来对样本进行变换处理，训练完成后采用相同方式对测试集进行归一化处理，可进行模型泛化性验证。对样本中可能存在状态类别，利用独热编码进行处理，对训练样本进行特征归一化处理及状态标签编码，再通过深度信念网络算法训练，可创建好复合故障诊断模型。

3.4 基于相关性分析的特征选择

采用算法进行训练以前，应用相关性分析来对样本特征和相关系数进行计算，再结合相关性系数对特征量进行筛选，进行降维处理可以降低网络节点和模型复杂度，提升网络收敛速度。不同特征及状态类别间相关系数存在较大差异，可通过设置阈值λ来对特征进行降维，如果|r|≤λ，特征与状态类别为弱相关性，可进行约简处理。多次调整阈值λ可得到具有不同特征数目样本集。λ值变大则样本特征数变小，0≤λ≤0.28，分析模型没有对测试样本集故障识别率产生变化；0.28≤λ≤0.35，分析模型对训练样本集和测试样本集识别率降低，λ=0.28则特征数目减小至15种，所以，采用网络训练不需要耗费较多时间，可以得到很高的准确率及泛化性。

3.5 模型设置与训练

采用算法来对故障模型进行创建时，要设定好网络结构等参数，输入属性维度与样本类别数量分别与首层及末层节点数相对应。进行预训练时，样本训练至1000次，网络误差已经大幅减少，训练至1500次，损失函数减小至0.0607，表明模型对训练集故障识别率已经上升至99.39%。

3.6 故障诊断方法的验证

复合故障诊断方法可以较为准确地识别出测试样本真实情况，但真实情况与测试样本还存一定误差 ，共有3条样本识别存在错误，1条被误识别为状态1，2条被错识别为状态4，表明该诊断方法有着很好的泛化能力，有着较高的识别准确率，可以在99%以上正确判别概率。

4 结束语

综上所述，传统的船舶柴油机故障诊别依赖于人员经验，基于数据驱动的智能故障诊断与识别，可认采集到更多的故障数据信息，采用深度信念网络算法对不同的故障模型进行识别，具有很高的故障诊断准确性。